448 KNPMP III 2018 ISSN: 2502-6526

PENGELOMPOKAN DATA YANG MEMUAT

PENCILANDENGAN KRITERIA ELBOWDAN KOEFISIEN
SILHOUETTE (ALGORITME K-MEDOIDS)
Dwi Sari Utami1), Dewi Retno Sari Saputro2)
1,2)
Program Studi Matematika Universitas Negeri Sebelas Maret
dsutami12@gmail.com, dewiretnoss@staff.uns.ac.id

Abstrak

Analisis kelompok adalah metode statistika multivariat yang bertujuan untuk mengelompokkan
objek pengamatan yang memiliki kemiripan (karakteristik sama). Terdapat dua metode
pengelompokan dalam analisis kelompok yaitu metode pengelompokan hierarchical (hierarki) dan
nonhierarchical (nonhierarki). K-medoids merupakan metode pengelompokan nonhierarki yang
mempartisi n data ke dalam k kelompok yang memiliki karakteristik sama dan menggunakan medoid
(median) sebagai pusat kelompoknya. Dengan demikian, k-medoids ini robust terhadap adanya data
pencilan. Dalam proses pengelompokan digunakan algoritme k-medoidsdengan kriteria elbow dan
validasinya dengan koefisien silhouette. Kriteria elbow digunakan dengan melihat plot jumlah
kuadrat sesatan (JKS) dari beberapa jumlah kelompok(k). Jika terbentuk siku (elbow) untuk nilai
JKS pada suatu nilai k, maka nilai tersebut menjadi banyaknya kelompok yang akan dibentuk.
Koefisien silhouette berada antara-1dan 1. Pada artikel ini dilakukan kajian kriteria elbow dan
koefisien silhouette dengan algoritme k-medoids untuk pengelompokan data yang memuat pencilan
dan penerapannya pada kasus demam berdarah di Indonesia tahun 2016. Kajian menunjukkan
bahwa pengelompokan kasus demam berdarah pada 34 provinsi di Indonesia tahun 2016
menghasilkan 3 kelompok dengan nilai koefisien silhouette sebesar 0.6409981.

Kata kunci : k-medoids;kriteria elbow;koefisien silhouette.

1. PENDAHULUAN
Statistika merupakan pengetahuan yang berhubungan dengan cara
mengumpulkan atau memperoleh data, menganalisis data, dan menarik
kesimpulan berdasarkan kumpulan data. Data menjadi kebutuhan bagi
masyarakat baik di kalangan akademis, perusahaan, kesehatan, maupun
pemerintahan. Dalam statistika tidak hanya terdapat satu variabel melainkan
juga bisa lebih dari satu variabel. Analisis yang membahas lebih dari satu
variabel secara bersamaan disebut analisis multivariat. Salah satu teknik yang
dibahas dalam analisis tersebut adalah clustering(pengelompokan).
Analisis kelompok merupakan suatu analisis multivariat yang digunakan
untuk mengelompokkan objek pengamatan menjadi beberapa kelompok
berdasarkan ukuran kemiripan antarobjek. Tujuan analisis
kelompokmempartisi himpunan objek menjadi dua kelompok atau lebih
berdasarkan kesamaan karakteristik khusus yang dimilikinya. Pengelompokan
data diperlukan untuk menyederhanakan permasalahan dengan melakukan
pengelompokan berdasarkan karakteristik variabel ke dalam sejumlah
kelompok yang relatif lebih homogen untuk memudahkan analisis.

Program Studi Pendidikan Matematika FKIP UMS

ISSN: 2502-6526 KNPMP III 2018 449
Book of
Menurut Johnson dan Wichern (2002), terdapat dua metode
abstract
pengelompokan dalam analisis kelompok yaitu hierarchical (hierarki) dan
nonhierarchical (nonhierarki). Metode pengelompokan hierarki adalah suatu
metode pengelompokan data yang dimulai dengan mengelompokkan dua atau
lebih objek yang memiliki kemiripan terdekat. Kemudian proses dilanjutkan ke
objek lain yang memiliki kedekatan kedua dan seterusnya hingga kelompok
akan membentuk seperti pohon dimana terdapat hierarki (tingkatan) yang jelas
antarobjek dari yang paling mirip sampai tidak mirip. Sedangkan metode
pengelompokan nonhierarki dimulai dengan menentukan jumlah kelompok
yang diinginkan terlebih dahulu. Kemudian proses pengelompokan baru
dilakukan. Dalam analisis kelompok, syarat yang harus diperhatikan adalah
sampel yang digunakan harus dapat mewakili populasi dan tidak adanya
multikolinearitas (Santoso, 2010).
Pada proses pengelompokan terdapat masalah terhadap hasil yang
dicapai, salah satunya adalah kepekaan pada outlier (pencilan). Menurut
Barnett dan Lewis (1994), pencilan merupakan pengamatan yang tidak
mengikuti sebagian besar pola dan terletak jauh dari pusat data. Pencilan akan
menimbulkan penyimpangan struktur hasil pengelompokan sehingga tidak
merepresentasikan populasi dengan benar. K-means dan k-medoidsmerupakan
metode pengelompokan nonhierarki yang mempartisi data ke dalam kelompok
sehingga data yang memiliki karakteristik sama dikelompokkan ke dalam satu
kelompok dan data yang mempunyai karakteristik berbeda dikelompokkan ke
dalam kelompok yang lain. Menurut Han dan Kamber (2012), algoritmek-
means sensitif terhadap pencilan. Algoritme k-means tidak robust terhadap
pencilan karena menggunakan nilai rata-rata (mean) sebagai pusat
kelompoknya.Kemudian menurut Kaufman dan Rousseeuw (1987),
algoritmek-medoidsdapat mengatasi kelemahan tersebut. K-medoids
merupakan metode pengelompokan dengan menggunakanmedoidsebagai pusat
kelompok. Medoidadalah objek yang letaknya terpusat dalam suatu
kelompoksehingga algoritme k-medoids lebihrobust dibanding dengan
algoritme k-means. Algoritme k-medoids memiliki permasalahan dalam
penentuan jumlah kelompok sehingga dilakukan kriteria elbow untuk
menentukan jumlah kelompok terbaik.
Masalah penting lainnya dalam pengelompokan adalahvalidasi hasil
pengelompokan untuk memperoleh partisi yang paling sesuai dengan data
dasar. Terdapat tiga pendekatan utama dalam melakukan validasi kelompok
yaitu kriteria eksternal, kriteria internal, dan kriteria relatif. Validasi dengan
pendekatan kriteria internal lebih sering digunakan karena lebih sederhana dan
mudah. Salah satu contoh validasi dengan pendekatan kriteria internal
adalahkoefisien silhouette. Pada artikel ini dilakukan kajian tentang
pengelompokan data yang memuat pencilan dengan kriteria elbow dan
koefisien silhouette pada algoritme k-medoidsdan penerapannya pada kasus
demam berdarah di Indonesia tahun 2016.

2. METODE PENELITIAN
Penelitian ini merupakan penelitian berdasarkan teori dan penerapan.
Penelitian berdasarkan teori yaitu melakukan kajian tentang pengelompokan
data yang memuat pencilan dengan kriteria elbow dan koefisien silhouette pada

Program Studi Pendidikan Matematika FKIP UMS

450 KNPMP III 2018 ISSN: 2502-6526

algoritme k-medoids.Sementara penerapannya dengan data kasus demam

berdarah di Indonesia tahun 2016. Metode yang digunakan adalah studi
literatur dengan mempelajari dan menurunkan ulang beberapa materi terkait
tentang pencilan dan metode penyelesaiannya. Literatur berupa jurnal referensi
dari berbagai situs pendukung di internet dan textbook. Langkah-langkah yang
dilakukan dalam penelitian ini diuraikan sebagai berikut.
a. Melakukan kajian beberapa metode pendeteksian pencilan dalam kasus data
multivariat, dalam hal ini kriteria elbow dan koefisien silhouette (algoritme
k-medoids).
b. Menuliskan hasil kajian pada (a) dan melakukan interpretasi.
c. Mengidentifikasipengaruh pencilan dalam pengelompokan.
d. Melakukan kajianalgoritme k-medoids untuk data pencilan, menuliskan
ulang dalam bentuk flowchart, mengidentifikasi langkah dan melakukan
interpretasi.
e. Mengidentifikasi validasi kelompok dengan metode koefisiensilhouette.
f. Menuliskan hasil interpretasi (a)-(e) dan melakukan penarikan simpulan.
g. Menerapkan algoritme k-medoidsdan validasinya dengan metode koefisien
silhouette pada data yang telah disebutkan sebelumnya.
h. Membuat pengelompokannya dengan gambar.
i. Melakukan analisis hasil, interpretasi, dan simpulan.

3. HASIL PENELITIAN DAN PEMBAHASAN

Pada penelitian ini dibahas pencilan dan cara mendeteksinya,
pengelompokan data yang mengandung pencilan dengan algoritme k-medoids,
serta validasinya dengan koefisien silhouette.
a. Pencilan dan Cara Mendeteksinya
Pencilan adalah objek yang menyimpang dari objek lainnya dalam
suatu himpunan data. Pada proses pengelompokan, adanya pencilan dapat
memengaruhi hasil analisis yang dicapai. Oleh karena itu, pencilan pada
data perlu dideteksi. Beberapa metode yang dapat digunakan untuk
mendeteksi pencilan yaitu metode grafis, boxplot, standardisasi, dan jarak
kuadrat Mahalanobis.Pada kasus multivariat, metode yang dapat digunakan
untuk mendeteksi pencilan adalah pengukuran jarak kuadrat Mahalanobis
(Folzmiser, 2005).Jarak kuadrat Mahalanobis merupakan ukuran jarak yang
melibatkan kovariansi atau korelasi antar variabel. Pengukuran jarak
kuadrat Mahalanobis dinyatakan dengan

𝑑2𝑀𝐷 (𝑖) = (𝒙𝒊 − 𝒙

̅ )′ 𝚺−1 (𝒙𝒊 − 𝒙
̅ ),

dengan 𝑑2𝑀𝐷 (𝑖) adalah jarak kuadrat Mahalanobis objek pada

pengamatanke-i, 𝒙𝒊 adalah vektor data objek pada pengamatan ke-i
berukuran 𝑝 × 1, 𝒙
̅ adalah vektor rata-rata berukuran 𝑝 × 1, dan Σ adalah
matriks kovariansiberukuran 𝑝 × 𝑝 dimana 𝑝 banyaknya variabel.
Pengamatan ke-i disebut pencilan jika
𝑑2𝑀𝐷 (𝑖) > 𝜒2𝑝,1−𝛼 ,
dimana 𝜒2𝑝,1−𝛼 merupakan batas pencilan dengan probabilitas 1 − 𝛼.

Program Studi Pendidikan Matematika FKIP UMS

ISSN: 2502-6526 KNPMP III 2018 451
Book of
b. Pengelompokan Data yang Memuat Pencilan
abstract
Jika pencilan dikelompokkan ke dalam suatu kelompok, maka
pencilan tersebut dapat mendistorsi nilai rata-rata dari kelompok (Han dan
Kamber, 2012).Algoritme k-medoids dapat mengatasi ketika adanya
pencilan dalam data. K-medoids bekerja dengan medoid yaitu memilih suatu
titik sebagai titik tengah. Medoid dapat diartikan sebagai sebuah objek yang
mempunyai rata-rata jarak terkecil ke objek lainnya, dengan kata lain yaitu
objek yang terletak di tengah kelompok data (Flowrensia, 2010). Berikut
adalah algoritme k-medoids.
1) Menentukan jumlah kelompok (k) yang ingin dibentuk.
Metode penentuan jumlah kelompok yang akan dibentuk menggunakan
kriteria elbow. Kriteria elbow adalah suatu metode untuk menghasilkan
informasi dalam menentukan jumlah kelompok terbaik dengan cara
melihat persentase hasil perbandingan antara jumlah kelompok yang
akan membentuk siku pada suatu titik (Madulatha, 2012). Hasil
persentase yang berbeda dari setiap nilai ditunjukkan dengan grafik.
Untuk memperoleh perbandingannya diukur dengan menghitung
jumlah kuadrat sesatan (JKS). Semakin besar jumlah kelompok, maka
nilai JKS semakin kecil. JKS ditulis sebagai
𝑛

̅),
̅)′(𝒙𝒊 − 𝒙
JKS = ∑(𝒙𝒊 − 𝒙
𝑖=1
dengan 𝒙𝒊 adalah vektor data objek ke-i berukuran 𝑝 × 1, 𝒙 ̅ adalah
vektor rata-rata berukuran 𝑝 × 1, dan 𝑛 adalah banyak objek
pengamatan.Pada kriteria elbow, jumlah kelompok terbaik diambil dari
nilai JKS yang mengalami penurunan signifikan berbentuk siku
(Kokasih, 2016).Nilai JKS yang awalnya tinggi akan mengalami
penurunan secara drastis, kemudian turun secara perlahan sampai nilai
JKS tersebut stabil. Jika terlihat penurunan drastis dan terbentuk siku
untuk nilai JKS pada suatu nilai k, maka nilai tersebut menjadi
banyaknya kelompok yang akan dibentuk.
2) Memilihmedoid awal secara acak dari objek-objek yang akan
dikelompokkan.
3) Menentukan jarak objek non-medoid dengan medoidpada tiap
kelompok dengan perhitungan jarak menggunakan Euclideandistance.
Euclideandistanceadalah ukuran kemiripan yang biasa digunakan
dalam analisis kelompok. Euclideandistancemerupakan jarak
terpendek (straight line) antara dua titik.Euclideandistanceditulis
sebagai
𝑝 𝑛
2
𝑑𝑒𝑢𝑐 (𝑥𝑖𝑗 , 𝑐𝑘𝑗 ) = √∑ ∑(𝑥𝑖𝑗 − 𝑐𝑘𝑗 ) ,
𝑗=1 𝑖=1

dengan 𝑑𝑒𝑢𝑐 (𝑥𝑖𝑗 , 𝑐𝑘𝑗 )adalah jarak Euclidean antara pengamatanke-

𝑖variabel ke-𝑗 ke pusat klaster ke-𝑘 pada variabel ke-𝑗, 𝑥𝑖𝑗 adalah objek
pada pengamatan ke-𝑖 pada variabel ke-𝑗, 𝑐𝑘𝑗 adalah pusat kelompok
ke-𝑘 pada variabel ke-𝑗, 𝑝 adalah banyak variabel yang diamati, dan 𝑛
adalah banyak pengamatan yang diamati.

Program Studi Pendidikan Matematika FKIP UMS

452 KNPMP III 2018 ISSN: 2502-6526

4) Mengalokasikan objek non-medoidberdasarkan jarak terdekat dengan

medoiddan menghitung total jarak yang diperoleh.
5) Memilih secara acakobjek non-medoid pada masing-masing kelompok
sebagai kandidat medoid baru dan menghitung jarak setiap objek non-
medoid dengan kandidat medoid baru.
6) Mengalokasikan objek berdasarkan jarak terdekatnya dengan kandidat
medoid baru. Kemudian menghitung kembali total jaraknya.
7) Menghitung total simpangan(𝑆) dengan nilai total jarak baru dikurangi
total jarak lama. Jika diperoleh 𝑆 < 0, maka kandidat medoid baru
tersebut menjadi medoid baru.
8) Mengulangi langkah (e) sampai dengan (h) hingga tidak terjadi
perubahan medoid. Proses iterasi akan berhenti apabila diperoleh 𝑆 >
0. Dan pada langkah ini diperoleh kelompok beserta anggota
kelompoknya masing-masing.

c. Validasi Hasil Pengelompokan

Validasi hasil pengelompokan dilakukan untuk memperoleh partisi
yang paling sesuai dengan data. Jika kelompok tidak divalidasi, maka akan
berpengaruh pada hasil analisis. Pada artikel inimetode validasi yang
digunakan adalah koefisien silhouette. Metode koefisien silhouette
merupakan gabungan dua metode yaitu metode cohesionyang berfungsi
untuk mengukur kedekatan data yang berada pada satu kelompok dan
metode separationyang berfungsi untuk mengukur kedekatan antar
kelompok yang terbentuk.
Plotsilhouette menunjukkan silhouette semua kelompok sehingga
kualitas kelompok dapat dibandingkan berdasarkan tingkat kelebaran
(gelap) silhouette. Semakin lebar silhouette akan semakin baik kualitas
suatu kelompok. Nilai 𝑘 yang menghasilkan rata-rata lebar silhouette
tertinggi disebut plot koefisien silhouetteatau silhouette coefficient (SC)
(Kaufman dan Rousseeuw, 1990). Berikut adalah langkah metode koefisien
silhouette menurut Struyf, et al.(1997).
1) Menghitung rata-rata jarak objek ke-i dengan semua objek yang berada
di dalam satu kelompok 𝐴dengan persamaan
1
𝑎(𝑖) = ∑ 𝑑(𝑖, 𝑗),
|𝐴| − 1
𝑗∈𝐴,𝑗≠𝑖
dengan j adalah objek lain dalam satu kelompok 𝐴 dan 𝑑(𝑖, 𝑗) adalah
jarak antara objek 𝑖 dan j.
2) Menghitung rata-rata jarak objek ke-i dengan semua objek yang berada
pada kelompok lain dengan persamaan
1
𝑑(𝑖, 𝐶) = ∑ 𝑑(𝑖, 𝑗),
|𝐶|
𝑗∈𝐶
dengan 𝑑(𝑖, 𝐶) adalah jarak rata-rata objek i dengan semua objek pada
kelompok lain 𝐶 dimana 𝐴 ≠ 𝐶.
3) Menentukan nilai minimumnya yaitu 𝑏(𝑖) yang menunjukkan perbedaan
rata-rata objek 𝑖 untuk kelompok yang terdekat dengan tetangganya dapat
dituliskan dengan persamaan

𝐶≠𝐴

Program Studi Pendidikan Matematika FKIP UMS

ISSN: 2502-6526 KNPMP III 2018 453
Book of
𝑏(𝑖) = 𝑚𝑖𝑛 abstract
𝑑(𝑖, 𝐶).
4) Menghitung nilai silhouette dengan persamaan
𝑏(𝑖) − 𝑎(𝑖)
𝑠(𝑖) = .
max(𝑎(𝑖), 𝑏(𝑖))
Hasil perhitungan 𝑠(𝑖)berada pada kisaran −1 hingga 1. Menurut
Kaufman dan Rousseeuw (1990), nilai 𝑠(𝑖) dapat diartikan sebagai
a) 𝑠(𝑖) ≈ 1 artinya objek 𝑖 terletak di kelompok yang tepat (dalam 𝐴),
b) 𝑠(𝑖) ≈ 0artinya objek 𝑖 terletak di antara dua kelompok (𝐴 dan 𝐵),
c) 𝑠(𝑖) ≈ −1artinya objek 𝑖 terletak di kelompok yang tidak tepat
(lebih dekat ke 𝐵 daripada 𝐴).
5) Menghitung koefisien silhouette yang didefinisikan sebagai rata-rata
𝑠(𝑖) yaitu
𝑛
1
𝑆𝐶 = ∑ 𝑠(𝑖),
𝑛
𝑖=1
dengan 𝑛 adalah banyak pengamatan.

Pengelompokan terbaik dicapai jika SC maksimal artinya

meminimalkan jarak dalam kelompok (𝑎(𝑖)) sekaligus memaksimalkan
jarak antarkelompok (𝑏(𝑖)) (Vendramin,et al., 2009). Ukuran nilai koefisien
silhouette menurut Kaufman dan Rousseeuw (1990) adalah seperti
ditunjukkan pada Tabel 1.
Tabel 1. Kategori Nilai KoefisienSilhouette dan Interpretasinya
Koefisien Silhouette Interpretasi
0.7 < 𝑆𝐶 ≤ 1 Terdapat ikatan yang sangat baik (strong structure)
antara objek dan kelompok yang terbentuk.
0.5 < 𝑆𝐶 ≤ 0.7 Terdapat ikatan yang cukup baik (mediumstructure)
antara objek dan kelompok yang terbentuk.
0.25 < 𝑆𝐶 ≤ 0.5 Terdapat ikatan yang lemah (weak structure) antara
objek dan kelompok yang terbentuk.
𝑆𝐶 ≤ 0.25 Tidak terdapat ikatan antara objek dan kelompok
yang terbentuk.

d. Penerapan
Pada penerapan ini digunakan data kasus demam berdarah (DBD) di
Indonesia tahun 2016 dengan jumlah amatan 34 dengan variabel angka
kesakitan (Incident Rate (IR)) dan kasus kematian (Case Fatality Rate
(CFR)) sebagai indikator yang menunjukkan tingginya permasalahan DBD
di suatu wilayah. Data diperoleh dari Kementrian Kesehatan Republik
Indonesia. Sebelum dilakukan pengelompokan, data dinormalisasi terlebih
dahulu agar tidak ada parameter yang mendominasi dalam perhitungan
proses pengelompokan.Kemudian dilakukan deteksi pencilan pada data dan
ditemukan data pencilan yaitu provinsi Kalimantan Timur, Bali, dan
Maluku. Selanjutnya menentukan kelompok beserta anggota masing-
masing kelompok dengan algoritme k-medoids.

Program Studi Pendidikan Matematika FKIP UMS

454 KNPMP III 2018 ISSN: 2502-6526

Algoritme k-medoids diawali dengan menentukan jumlah kelompok

yang ingin dibentuk menggunakan kriteria elbow. Kemudian diperoleh
grafik kriteria elbow yang ditunjukkan pada Gambar 1.

JKS

Banyak kelompok (k)

Gambar 1. Grafik Kriteria Elbow Kasus DBD di Indonesia Tahun 2016

Dari Gambar 1 tampak bahwa nilai JKS mengalami penurunan dari

nilai kelompok 𝑘 = 2 ke 𝑘 = 3, kemudian dari 𝑘 = 3 ke 𝑘 = 4 terlihat
penurunan drastis membentuk siku pada titik 𝑘 = 3. Hal ini ditunjukkan juga
pada Tabel 2terdapat penurunan nilai JKS paling besar pada 𝑘 = 3sehingga
jumlah kelompok yang akan dibentuk sebanyak 3.
Tabel 2. Hasil JKS dari tiap kelompok untuk 34 provinsi
k JKS Selisih k JKS Selisih k JKS Selisih
2 66,000 66,000 13 1,053 0,273 24 0,118 0,032
3 42,512 23,488 14 0,872 0,182 25 0,095 0,023
4 20,765 21,747 15 0,715 0,157 26 0,074 0,021
5 14,656 6,109 16 0,599 0,116 27 0,055 0,019
6 8,685 5,971 17 0,490 0,109 28 0,039 0,016
7 6,503 2,182 18 0,406 0,084 29 0,025 0,014
8 4,972 1,531 19 0,330 0,077 30 0,014 0,011
9 3,458 1,514 20 0,271 0,059 31 0,009 0,005
10 2,287 1,171 21 0,220 0,051 32 0,005 0,004
11 1,724 0,562 22 0,183 0,037 33 0,002 0,003
12 1,326 0,398 23 0,150 0,033 34 0,001 0,001

Kemudian dengan menggunakan software R, pengujian algoritme k-

medoids diperoleh hasil pengelompokan seperti ditunjukkan pada Gambar 2.

Gambar 2. Plot ScatterPengelompokan Data

Program Studi Pendidikan Matematika FKIP UMS

ISSN: 2502-6526 KNPMP III 2018 455
Book of
Berdasarkan Gambar 2 diuraikan bahwa objek diplot ke dalam 3 kelompok
yaitu:
abstract
1) Kelompok I terdiri atas30 provinsi yaituAceh, Sumatra Utara, Sumatra
Barat, Riau, Kepulauan Riau, Jambi, Sumatra Selatan, Bangka Belitung,
Bengkulu, Lampung, Banten, Jawa Barat, Jawa Tengah, D.I.Yogyakarta,
Jawa Timur, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan,
Sulawesi Utara, Gorontalo, Sulawesi Tengah, Sulawesi Barat, Sulawesi
Selatan, Sulawesi Tenggara, NTB, NTT, Maluku Utara, Papua Barat,
Papua, dan Kalimantan Tenggaradengan Sulawesi Barat sebagai medoid.
2) Kelompok IIterdiri atas3 provinsi yaitu DKI Jakarta, Kalimantan Timur,
dan Balidengan Kalimantan Timur sebagaimedoid.
3) Kelompok III terdiri atas1 provinsi yaitu Maluku.
Dari hasil pengelompokan, analisis hasil pengelompokan dan
karakteristiknya dapat ditunjukkan pada Tabel 3.
Tabel 3. Analisis tiap kelompok dan karakteristiknya

Koefisien Silhouette (SC)

Kelompok
CFR IR
I Sedang Sedang
II Rendah Tinggi
III Tinggi Rendah

Berdasarkan Tabel 3 dapat diketahui karakteristik dari kelompok I

adalah provinsi dengan IR sedang dan CFR sedang. Kemudian kelompok II
merupakan provinsi dengan IR tinggi namun CFR-nya rendah.Sedangkan
kelompok III merupakan provinsi dengan IR rendah namun CFR-nya tinggi.
IR yang tinggi dapat dipengaruhi faktor curah hujan yang tinggi sepanjang
tahun dan faktor kebersihan lingkungan. Provinsi dengan IR tinggi belum
tentu mempunyai CFR tinggi. Provinsi yang umumnya mempunyai IR yang
tinggi namun CFR-nya rendah dikarenakan kemungkinan pelayanan medis
dan akses kesehatan di provinsi tersebut sudah maju. Maluku sebagai provinsi
yang mempunyai IR rendah namun CFR tertinggi perlu meningkatkan akses
dan pelayanan medis dalam upaya promosi kesehatan.
Untuk hasil validasi menggunakan koefisien silhouette diperoleh hasil
seperti ditunjukkan pada Tabel 4.
Tabel 4. Koefisien Silhouette untuk ketiga kelompok yang terbentuk
Kelompok Koefisien Silhouette(SC)
I 0.7083344
II 0.1813012
III 0.0000000

Berdasarkan kategori nilai koefisien silhouette pada Tabel 1 diperoleh

koefisien silhouette kelompok I sebesar 0.7083344 termasuk dalam strong
structure, sedangkan kelompok II sebesar 0.1813012 termasuk dalam weak
structure, dan kelompok III sebesar nol artinya tidak ada ikatan antara objek
dan kelompok yang terbentuk. Nilai koefisien silhouette keseluruhan

Program Studi Pendidikan Matematika FKIP UMS

456 KNPMP III 2018 ISSN: 2502-6526

sebesar0.6409981termasuk dalam medium structureartinya terdapat ikatan

yang cukup baik antara objek dan kelompok yang terbentuk.
4. SIMPULAN
Berdasarkan hasil dan pembahasan diperoleh simpulan sebagai berikut.
a. Kriteria elbow dapat menentukan jumlah kelompok (k)terbaik untuk
pengelompokan data yang memuat pencilan dengan algoritme k-medoids.
b. Koefisien silhouettesebagai metode validasi hasil pengelompokan,
menghasilkan nilai berada diantara −1 dan 1. Jika koefisien
silhouettemendekati 1, maka ikatan antara objek dan kelompok yang
terbentuk sangat baik.
c. Pengelompokan data DBD Indonesia tahun 2016 menghasilkan 3
kelompok dengan kelompok I terdiri atas 30 provinsi, kelompok II terdiri
atas 3 provinsi, dan kelompok III terdiri atas 1 provinsi.
d. Hasil validasi kelompok menunjukkan nilai koefisien silhouette
keseluruhan sebesar0.6409981artinya terdapat ikatan yang cukup baik
antara objek dan kelompok yang terbentuk.

5. DAFTAR PUSTAKA
Barnett, V. dan T. Lewis (1994). Outliers in Statistical Data. New York: John
Wiley & Sons.
Flowrensia, Y. (2010). Perbandingan Penggerombolan K-Means dan K-
Medoids Pada Data Yang Mengandung Pencilan [Skripsi].Institut
Pertanian Bogor. Bogor.
Folzmiser, P. (2005). Identification of Multivariate Outliers: A Performance
Study. Australian Journal of Statistics, 34(2), 127-138.
Han, J., dan M. Kamber(2012). Data Mining: Concepts and Techniques. San
Francisco: Morgan Kaufmann Publisher.
Johnson, R.A., andD.W. Wichern(2002).Applied Multivariate Analysis 5th
Edition. New Jersey: Prentice Hall.
Kaufman L., and P.J. Rousseeuw. (1987). Clustering By Means of Medoids.
New York: John Wiley & Sons.
Kaufman L., and P.J. Rousseeuw.(1990). Finding Groups in Data. New York:
John Wiley & Sons.
Kokasih, V. (2016). Clustering Penggunaan Bandwith Menggunakan Metode
K-Means Algorithm pada Penerapan Single Sign On (SSO) Universitas
Sebelas Maret [Skripsi]. Universitas Sebelas Maret. Surakarta.
Madulatha, T.S. (2012).An Overview On Clustering Methods. IOSR Journal
of Engineering, II(4), 719-725.
Santoso, S. (2010). Statistik Multivariat. Jakarta: Elex Media Komputindo.
Struyf, A., M. Hubert, P.J. Rousseeuw. (1997). Integrating Robust Clustering
Techniques in S-PLUS. Journal of Computational Statistics and Data
Analysis,26(1),17-37.
Vendramin,L., R.J.G.B. Campello, and E.R. Hruschka.(2009). On the
Comparison of Relative Clustering Validity Criteria. Proceedings of the
SIAM International Conference on Data Mining, 3(4), 733-744.

Program Studi Pendidikan Matematika FKIP UMS